深度学习系统的临床应用,用于使用CBCT横截面进行自动下膜膜骨量评估和建议的治疗选择

科学领域:

• 牙科 牙科是指牙科的专业.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 从圆束计算机断层扫描 (CBCT) 中评估骨质尺寸对于牙科植入物规划至关重要,但往往耗时且容易出现人为错误.
• 目前的手动评估方法缺乏效率和一致性,可能会影响治疗结果.

研究的目的:

• 开发和验证一个临床适用的基于人工智能 (AI) 的自动化系统,用于评估牙周区域可用的骨量.
• 根据骨尺寸提供实时,人工智能驱动的手术和非手术治疗选择.
• 显著减少与手动骨评估相关的时间和变异性,用于牙科植入物规划.

主要方法:

• 利用YOLOv8-seg,一个单阶段的卷积神经网络,从CBCT截面图像的自定义数据集对下膜骨和下膜通道进行细分.
• 从细分面具中数学计算了骨和运河测量,并将它们与两个操作员的手动测量进行了比较.
• 对人工智能系统的时间效率与手动测量进行了评估,并与牙科专家团队一起验证了人工智能生成的治疗建议.

主要成果:

• YOLOv8模型在细分解剖结构方面表现出很高的准确性,达到0.951的精度,0.915的回忆,0.952的mAP50,0.871的交叉与联盟,0.911的子相似系数.
• 在细分和测量任务中,人工智能系统的速度是人类操作员的2001倍,在高度和时间测量方面发现了统计学上显著的差异.
• 人工智能产生的治疗建议与专家评估达成94%的一致性 (科恩 κ = 0.89),这表明几乎完全一致.

结论:

• YOLOv8模型是用平衡的计算需求对牙结构进行高精度细分的有效工具,显示出用于植入物规划的临床适用性.
• 基于人工智能的系统为植入物规划报告提供了一种显著更少耗时和专家级准确的解决方案.
• 该系统的未来改进有望进一步提高其在实时牙科治疗规划中的临床实用性.